대기관리권역법을 통해 권역 내 집중관리도로를 선정하고, 도로 청소 차량의 운용을 수행하여 미세먼지 저감을 도모하였다. 하지만, 도심지의 경우 대기오염 발생원인 차량 통행의 감축이 어려우므로 지속적인 관리가 필요하다. 따라서, 연간 발생하는 장비·시설의 유 지관리 비용을 고려했을 때 관련 재정의 효율적 운용이 필수적이며, 도심지의 고농도 발생 지역을 효과적으로 관리할 수 잇는 전략적 선정이 필요하다. 본 연구에서는 2017 ~ 2024년 기간 동안 수집된 서울권 집중관리도로의 재비산먼지 농도 데이터를 바탕으로 고농도 발생 경로를 선별하였으며, 대상지의 모빌리티 요소(차로수, 제한속도, 정지선, 버스정류장(가로변, 중앙), 지하철역 입구, 교차로 수 등) 를 추출하여 시계열적 기상 조건과 매칭하여 농도 변화에 영향을 미치는 요인에 관한 상관성 분석을 수행하였다. 이 과정에서 모빌리 티 요소의 가중치평균법 및 교호작용 분석을 통해 도심지 모빌리티 영향에 따른 도로 대기오염도 변화에 관한 분석을 수행하였다. 계절관리제가 시행되기 전(`17 ~ `19년) 대비 시행 후(`20 ~ `24년)의 평균 재비산먼지 농도는 17㎍/m3 낮았으며, 이는 코로나 19의 영향 외 작용된 청소 효과로 판단할 수 있다. 위치적으로 나눈 서울 5개 권역 중 서부 지역과 수도권 남부와 교통이 연결되어 교통망이 집 중된 서남권, 동남권에서 재비산먼지 평균 농도가 18㎍/m3 높게 발생하였다. 이를 모빌리티 영향에 의한 재비산먼지의 발생 및 확산 영향으로 판단하고, 계절관리제 시행 후 도심지 고농도 발생 지역에 대한 모빌리티 요소 및 기상 환경 변화 영향에 대한 복합적인 영 향 분석을 위해 시간 변수, 모빌리티 특성 변수, 도로 환경 변수, 기상 변수를 수집하고, 데이터 세트를 구축하였으며, 가중치 평균법 을 적용한 모빌리티 변수 모델, 모빌리티 변수 간의 상호작용을 고려한 교호작용 모델을 비교 분석함으로써 재비산먼지 PM10 농도 상 승과 상대적으로 높은 상관성을 갖는 영향 변수를 제시하였다.

PURPOSES : This study predicts the concentration of suspended road dust (PM10) by analyzing meteorological, traffic, and atmospheric environmental data acquired at various angles, and attains a comprehensive understanding of the influencing factors of suspended road dust. METHODS : Experimental field methods were applied and statistical analyses were conducted. Field experiments were conducted using a vehicle-based measurement of suspended dust (PM10) to measure its concentration at the measurement site while maintaining a constant driving vehicular speed. Statistical analysis demonstrated the effects of the concentration of suspended dust on changes in meteorological and environmental factors and lanes per traffic volume at the time of measurement. Finally, a multiple linear regression model was applied to identify the factors which affected the generation of suspended dust. RESULTS : The analysis of suspended road dust concentrations according to the lanes per traffic volume and environmental factors showed that suspended dust concentrations increased at increasing driving speeds. In addition, the background concentration at the monitoring station was higher at high-wind speeds (>3.0 m/s) than at low-wind speeds (<1.6 m/s), but the suspended dust concentrations were higher at low-wind speeds. During the temperature inversion period from evening to morning, the suspended effects of traffic and meteorological factors were greater than the background concentration at the station. Multiple linear regression analysis showed that excluding yellow-dust days, which are known to affect atmospheric pollution levels, the accuracy of the model improved and resulted in increases in background PM10, vapor pressure, sea-level pressure, visibility, after-rainfall time, and in decreases in insolation and precipitation during low-wind speed conditions. CONCLUSIONS : At low-wind speeds, 5 days after rain, and when the relative humidity was higher than 72%, suspended dust was found to be higher than atmospheric PM10 concentration and may increase at increasing driving speeds and section lane traffic volumes. However, the volume of measured data in this study is limited to determining the patterns of suspended dust, as the silt loading of the operational road or the effects of prominent variables were not considered in this study. However, we identified prominent factors related to road-suspended dust for real-time road-dust predictions.

2020년 1월 23일 이후 중국에서 신종 코로나바이러스 감염증(COVID-19)으로 인한 봉쇄 조치가 전국으로 확대 되고 있었다. 그러나, 한국에서는 2020년 2월 1-2일에 PM10 질량농도 일평균 최대 88-98 μg m−3의 고농도 연무가 발생하였다. 이 기간에 동아시아 지역은 850 hPa 기온 아노말리가 양(+), 동서류 아노말리는 음(-)으로 온난하고 정체적인 기단의 영향을 받고 있었다. 동아시아 지역의 인위적 배출량 감소에 따른 한국의 PM10 장거리 수송의 영향을 분석하기 위하여 WRF-Chem을 활용하였다. WRF-Chem에 인위적 배출량을 변화 없이 적용한 BASE와 인위적 배출량을 50%로 감소시켜 적용한 CTL의 PM10을 한국의 지상 측정값과 민감도 분석을 수행하였다. CTL에서 PM10의 IOA는 0.71로 BASE의 0.67보다 높게 나타났다. 이것은 중국의 COVID-19 봉쇄 조치로 인해 인위적 배출량이 감소한 것으로 분석된 다. 또한, 한국 이외의 지역 배출량을 0으로 설정한 BASE_ZEOK와 CTL_ZEOK를 모의하여 BASE와 CTL에서의 장 거리 수송 기여도의 변동을 분석하였다. CTL은 BASE와 비교하여 배출량이 50%로 감소하였지만 PM10 장거리 수송 기여도는 10-20% 감소한 것으로 나타났다. 동아시아 지역의 배출량 감소에 따라 풍하측 한국의 PM10 장거리 수송 기 여도 변동이 선형적으로 반응하지 않는 것은 종관 기상 변동이 영향을 주는 것으로 보인다. 2월 1-2일 한국의 고농도 PM10 연무 사례에 대한 CTL에서 PM10 에어로졸 성분의 장거리 수송 기여도는 기타 무기물이 80-90%로 가장 높았고, 질산염은 30-60%, 황산염은 0-20%, 암모늄은 30-60%를 나타내고 있었다. 중국의 봉쇄 조치로 인하여 교통 및 물류 수 송이 감소하면서 2차 에어로졸이 감소한 것으로 보인다.

본 연구에서는 중국 북동지역에서 발생하는 산불에 의한 생체연소 배출물이 장거리 수송으로 한국의 미세먼지 질량농도에 미치는 영향을 WRF-Chem 모델을 활용하여 분석하였다. 2020년 4월 4-7일에 한국은 중국 북동지역의 생체 연소 배출물과 더불어 중국 동부지역의 인위적 배출과 중국 북부와 몽골에서 발생한 황사의 영향을 함께 받고 있었다. 인위적 배출과 황사가 혼재된 대기오염 상황에서 zero-out 방법을 활용하여 생체연소 배출물을 분류하고 미세먼지 장거 리 수송 기여도를 분석하였다. 또한, 광역적인 생체연소 배출물의 분포에 따라 한반도 주변의 육지와 해양에 대한 복사 에너지 수지를 분석하였다. 2020년 4월 5-6일에는 한국의 하루평균 미세먼지 질량농도에 대한 생체연소 배출물의 장거리 수송 기여도가 60%로 산출되었다. 더불어 한반도 주변에 광역적으로 분포하는 생체연소 배출물의 영향으로 육지와 해양의 순 복사 플럭스는 음의 값을 나타내었다. 그러나 2020년 4월 7-8일에는 중국 동부지역에서 발생한 인위적 오염 물질이 생체연소 배출물에 더해지면서 한국의 미세먼지 질량농도는 4월 5-6일보다 증가하였으나 생체연소 배출물의 기 여도는 45% 이하로 감소하였다. 또한, 생체연소 배출물의 영향이 줄어들면서 순 복사 플럭스는 양의 값을 나타내었다.

최근 동아시아 지역에서 인위적 배출량의 감소에도 불구하고, 봄철에 한국에서는 잦은 연무 사례가 발생하고 있 다. 북동 태평양에서 자주 발생하는 대기 블로킹은 지구 규모 대기 변동과 동아시아 지역의 서풍 기류를 정체시키기도 한다. 2019년 3월 동아시아 지역의 온난하고 정체적인 종관 기상 특성이 알래스카 대기 블로킹이 발생한 6-7일 후에 일어나고 있었다. 특히, 2019년 3월 18-24일에 발생한 알래스카 대기 블로킹은 3월 25-28일 동안 한국에서 일평균 미 세먼지(particulate matter; PM10) 질량농도가 50 μg m−3을 넘는 고농도 PM10 연무 사례가 발생하는 데 영향을 미치고 있 었다. 한편, WRF-Chem 모델을 활용하여 한국의 고농도 PM10 연무 사례에 대한 인위적 배출의 장거리 수송 기여도는 30-40%를 나타내고 있었다. PM10 에어로졸 구성 성분인 황산염, 질산염, 암모늄, 블랙 카본, 유기 탄소, 기타 무기물의 장거리 수송 기여도는 각각 10-15, 20-25, 5-10, 5-10, 5-10, 15-20%를 나타내었다. 질소 산화물이 온난하고 정체적인 대기에서 암모늄과의 광화학 반응으로 형성된 질산암모늄은 한국의 고농도 PM10 연무 사례에 대한 장거리 수송 기여도 가 PM10 에어로졸 중 가장 큰 비중을 나타내고 있었다.

The purpose of this study is to analyze the effect of temperature and humidity on the measured Particulate Matter (PM) concentrations recorded by PMS5003T, a low-cost light scattering type measuring tool. A regression analysis was performed on the ratio of PM concentrations measured by the light scattering method and the beta-ray absorption method according to temperature and humidity in an outdoor environment. As the temperature decreased, the PM concentration ratio increased, and this tendency intensified below 0oC. As the humidity increased, the PM concentration ratio increased, but the effect was less than the temperature effect. The coefficients of determination for temperature and humidity were R2 = 0.325 and 0.003, respectively, and the effects of temperature and humidity on the measured values w ere formulated and compensated for. As a result of the compensation, R2, relative precision, accuracy and RMSE improved from 0.927 to 0.958, from 91.183% to 96.651%, from 31.383% to 74.058%, and from 13.517 μg/m³ to 6.690 μg/m³, respectively. Finally, results from this study indicate that the reliability of the low-cost light scattering type PM sensor can be improved by applying the temperature and humidity compensation method.

2020년 중국의 COVID-19 폐쇄는 한국의 풍상측에 위치한 중국의 대기오염 배출량을 감소시켰다. 몽골 북부로 부터 중국 동부를 거쳐 한반도에 이르는 지역에서는 2020년 1~2월에 기온 아노말리가 양(+)으로 온난하였고, 2020년 1월에는 동서류 아노말리가 음(−)으로 정체적인 특징을 보였다. 2019년 12월~2020년 3월에 한국 중부 서쪽의 석모리와 파도리에서 중국 배출량 감소의 영향에 따라 PM10, NO2, O3 농도 변동이 나타났다. 파도리에서 PM10, O3 월평균 농도와 최근 4년의 월평균 농도의 비는 2019년 12월과 비교하여 중국의 COVID-19 폐쇄 이후인 2020년 1~3월에 각각 0.7~4.7%, 9.2~22.8%로 감소하였다. 2020년 1월 중국의 춘절 기간에는 석모리와 파도리에서 PM10, NO2, O3 농도가 최근 4년의 춘절 기간과 마찬가지로 감소하였다. 그러나 2020년 1월 평균 농도가 최근 4년 1월과 비교하여 감소한 것은 중국 춘절 전후의 기간에도 배출량이 감소하였던 것과 관련 있다. 2020년 1~3월 석모리의 PM10, NO2, O3 농도의 비 ( /M)는 각각 70.8~89.7%, 70.5~87.1%, 72.5~97.1%이었고, 파도리에서도 각각 79.6~93.5%, 67.7~84.9%, 83.7~94.6% 로 추정 월평균(M)보다 월평균(Os)이 감소하였다. 2020년 1월에 몽골 북부로부터 중국 동부와 한반도에 이르는 지역의 온난화로 인한 광화학 반응으로 최근 4년과 비교하여 AOD가 높게 나타났으나 2020년 3월에는 풍상측인 중국에서 2차 에어로졸을 생성하는 전구물질 배출 감소로 최근 4년과 비교하여 낮은 AOD 분포를 보였던 것으로 분석되었다.

본 연구에서는 K-means 군집 분석을 통하여 최근 5년간(2014-2018) 한반도 남동 지역의 고농도 미세먼지 발생에 영향을 미치는 주요 종관 기상 패턴을 분류하였다. 또한 고농도 미세먼지 사례일의 발생과 관련된 지역적 차이를 살펴보기 위하여 NCEP (National Centers for Environmental Prediction)/FNL (Final Operational Global Analysis) 재해석 기상자료를 이용하여 부산, 울산, 경남 지역의 미세먼지 발생 특성과 관련된 종관 규모 기상의 특성에 대한 비교 연구도 수행하였다. 한반도 남동 지역의 고농도 미세먼지 사례일과 관련된 종관 기상 패턴은 총 5개(C1-C5)로 분류된다. 각 군집의 발생빈도는 24.8% (C1), 21.3% (C2), 20.4% (C3), 17.3% (C4), 16.2% (C5)이다. 기상 패턴 분석을 통하여 제시된 남동 지역의 고농도 미세먼지를 유발하는 요인에는 지역 외부에서 장·단거리 수송(C1, C3, C5)에 의한 영향과 지역내 배출(C2, C4)에 의한 것임을 알 수 있었다. 또한 고농도 미세먼지 발생일에 대해 부산, 울산, 경남 세 지역의 기상장을 분석하였을 때, 500 hPa 지위 고도 및 풍속 등의 기상학적 특성이 지역별로 다르게 나타났다. 그리고 고기압 의 작은 위치 변화가 각 지역의 미세먼지 발원과 장거리 이동 경향성에 영향을 미치고 있었다.

This study was conducted as a part of the research for the “Development of Big Data Analysis Techniques and AI-based Integrated Support System for Energy-Environment Management.” We collected research results on characterization of distribution of fine dust and re-analyzed using meta-analysis techniques to build “big data” with high potential for school environments. The results of prior studies on the characteristics of fine dust concentration distribution in a school environment conducted in Korea were collected and re-analyzed the results using the metaanalysis technique. In this manner, the variables that could be used to derive the independent variables needed to produce the e-coding book prior to the big data collection, were first derived. The possibility of using the data as independent variables was then evaluated. In this study, three variables: “elementary school vs. middle school vs. high school,” “general classroom vs. special classroom,” and “new classroom vs. old classroom” were evaluated for their application as major classification variables with priority. The necessity of being derived as a major classification variable was examined by testing the difference in fine dust concentration distribution in the school environment by each variable case. Results showed that “elementary school vs. middle school vs high school” and “general classroom vs. special classroom” could be used as independent variables, while “new classroom vs. old classroom” was less likely to be used as an independent variable.

PURPOSES: The purpose of this study is to compare the concentrations of fine particulate matter (PM2.5) at different types of roadside bus stops in an urban environment, and analyze the tendencies in PM2.5 concentrations according to the air quality index. METHODS : To compare and analyze the characteristics of fine particulate matter at roadside bus stops, we collected data such as PM2.5 concentration, temperature, humidity etc., and performed a comparative analysis of their concentration levels at different types of bus stops (a partially closed bus stop with a front and back partition, a partially closed bus stop with only a back partition, and a bus stop with an open space). In addition, the daily variation in fine particulate matter concentration was analyzed. RESULTS: The average daily concentration levels of fine PM2.5 in the target area for a partially closed bus stop with a front and back partition, a partially closed bus stop with a back partition, and a bus stop with an open space were 18.40㎍/㎥ to 108.27㎍/㎥, 22.81㎍/㎥ to 135.51㎍/㎥, and 16.62㎍/㎥ to 81.52㎍/㎥, respectively. According to air quality index levels during the target measurement period, the bus stop with an open space had the least concentration levels of PM2.5 compared to the other bus stops. Furthermore, this study revealed that the PM2.5 concentration levels usually increased during the peak hour period in the morning and gradually increased after 2 pm until the end of the peak hour period at night, regardless of the bus stop type. CONCLUSIONS: Based on the results of this study, we demonstrated the effect of PM2.5 concentration levels on the atmospheric, weather, environmental, and transportation conditions in a target area, and the variation in concentration levels depending on the type of bus stop.

본 연구에서는 PMF 모델을 이용하여 PM2.5에 대한 오염원 확인 및 오염원별 기여도를 분석하였다. A시의 배출원별 기여도 순위는 Secondary Sulfate가 19.8%로 가장 기여도가 높고, 그 다음으로는 Mobile 19.5%, Industry 16.0%, Biomass Buring 14.1%, Secondary Nitrate 14.1%, Oil Combustion 11.6%, Aged Sea Salt 2.6%, Soil 2.5% 등으로 분석되었다. Sulfate와 Ammonium 농도가 배출원별 프로 파일에서 기여도가 가장 높은 오염원으로 분석되었는데, 이는 대기 중에서 가스상 전구물질(SOx와 암모니아 가스)이 광화학 반응하여 생성된 2차 에어로졸인 것으로 분석되었다.

본 연구에서는 CMB(Chemical Mass Balance) 모델을 이용하여 PM2.5에 대한 오염원 확인 및 오염원별 기여도를 분석하였다. A시의 배출원별 기여도 순위는 비산먼지(30.1%) > 생물성 연소(21.9%) > 2차 오염물질(21.1%) > 도로이동오염원(19.3%) > 면오염원(7.6%) 순이고, CMB 모델 기여도와 CAPSS(Clean Air Policy Support System) 배출자료 기여도 비교에서 증가한 배출원은 생물성 연소와 2차 오염물질이고, 감소한 배출원은 도로이동오염원, 비산먼지, 면오염원으로 분석되었다.

국내 미세먼지 농도는 과거에 비해 감소하는 추세이지만 건강에 대한 미세먼지의 위해성이 부각되면서 그에 대한 관심과 우려는 점점 높아지고 있다. 미세먼지에 대응하기 위해서는 미세먼지 농도의 영향 요인과 그 영향의 정도를 파악하는 것이 중요하다. 도시에서 미세먼지는 다양한 요인에 의해 복합적인 영향을 받는다. 기상조건에 큰 영향을 받아 강수와 풍속에 음의상관을 나타낸다. 계절에 따른 기상 조건의 차이로 계절별 뚜렷한 미세먼지 농도 차이가 나타하며, 주로 봄과 겨울에 고농도가 발생한다. 도시 외부적 영향으론 봄철 황사의 영향이 크며, 타 지역에서 발생한 미세먼지가 도시로 유입되어 미세먼지 농도를 악화시킨다. 도시 내부에서는 미세먼지가 발생되는 배출원이 넓게 분포하고, 도시에서 배출된 기체상 오염물질은 대기 중에서 물리화학 적으로 반응하여 2차 미세먼지로 변환된다. 도시환경에서 미세먼지는 도시열섬이나 기온 역전층에 의한 대기정체로 악화되거나, 도시 내 복잡한 공간구조로 인해 발생한 미기상 조건의 영향으로 변화한다. 미세먼지는 강우 시 씻겨 나가고, 바람길이 확보되어 정체된 미세먼지가 확산되면서 감소하며, 녹지에 의해서도 저감되는데, 도시 내 나무는 기공에서 미세먼지를 흡수하고, 식물체 표면에 먼지가 흡착되어 미세먼지 저감에 기여한다. 본 연구는 다양한 미세먼지 영향 요인 중 도시 내부적 요인인 토지피복 특성에 따른 미세먼지 농도 차이를 분석하고자 하였다. 토지피복 유형 중 미세먼지 배출에 관련된 시가화지역과 미세먼지 저감에 관련된 산림지역 유형의 비율에 따라 미세먼지 농도는 어떠한 차이를 보이는지 살펴보았다 연구는 서울시에 위치한 환경부 대기오염 측정망 주변의 시가화지역과 산림지역 토지피복의 비율에 따라 대기오염 측정소를 3개 그룹으로 구분한 뒤, 그룹별 미세먼지 농도 차이를 계절별로 비교하였다. 미세먼지 농도는 환경부 대기 오염 측정망의 2016년 PM10과 PM2.5의 일평균 농도 자료를 활용하였다. 토지피복은 환경부 대분류 토지피복 자료를 활용하였고, 대기오염 측정망 주변 반경 3㎞내의 토지피복 비율을 산출하였다. 토지피복 비율을 기준으로 K-mean 군집화를 통해 대기오염 측정소를 3개 그룹으로 분류하였고, 3개 그룹간 농도 차이는 비모수 검정방법인 Kruskal-Wallis 검정을 실시하였다. 개별 그룹간 차이는 Mann-Whitney U 검정을 실시하여 Bonferroni Correction Method에 따른 유의수준 보정을 통해 두 그룹간의 통계적 차이를 제시하였다. 시가화지역과 산림지역 비율에 따른 K-mean 군집화 결과 산림 우세 그룹(A)의 토지피복 비율 평균은 산림 34.6%, 시가지 53.4%이었고, 6개의 측정소가 분류되었다. 시가지 우세 그룹(B)은 산림 6.7%, 시가지 76.3%이었고, 10개 측정소가 분류되었다. 중간값 그룹(C)은 산림 16.5%, 시가지 61.8%로 7개 측정소가 분류되었다. PM10의 계절별 농도에 대하여 그룹별 정규성 검정 결과 모든 계절에서 정규분포를 충족하지 않았다. 따라서 비모수 검정인 Kruskal-Wallis test를 실시한 결과 모든 계절에서 그룹간 차이가 통계적으로 유의하였다(p<0.001). 개별 그룹 간 차이에 대해 Bonferroni Correction Method를 적용한 Mann-Whitney U 검정결과 겨울철 B-C 그룹간 차이를 제외한 모든 계절의 그룹간 차이가 통계적으로 유의하였다 (p<0.001). 종합하면 A그룹은 모든 계절의 PM10 농도가 B, C그룹보다 낮았다. B그룹은 겨울철만 C그룹보다 낮았으나 차이는 유의하지 않았고, 나머지 계절에서 A, C그룹보다 유의하게 높았다. PM2.5의 계절별 농도도 모든 계절에서 정규분포를 충족 하지 않아 Kruskal-Wallis test를 실시한 결과 모든 계절에서 그룹간 차이가 유의하였다(p<0.001). 개별 그룹간 분석도 겨울철 B-C 그룹을 제외한 모든 계절에서 통계적으로 유의한 차이가 인정되어(p<0.001) PM10 결과와 동일한 경향을 확인하였다. 계절별로 그룹간 차이를 자세히 살펴보면 PM10은 A그룹의 농도가 B, C그룹과 큰 차이로 낮았고, B-C의 차이가 작았다. 이러한 경향은 계절별로도 유사하였지만, 고농도 시기인 겨울과 봄에 그룹간 차이가 다소 작고, 저농도 시기인 여름과 가을에 다소 큰 차이가 있었다. PM2.5 농도는 봄~가을에 A<C<B순서를 보이며 그룹간 균등한 차이를 보였고, 겨울은 B와 C그룹의 농도가 유사하면서, A그룹과의 차이가 컸다. 저농도 시기인 여름에 그룹간 차이가 가장 컸고, 고농도 시기인 겨울에는 차이가 가장 작았다. 고농도 시기인 봄의 그룹간 편차와 저농도 시기인 가을의 편차는 유사하였다. 이상의 분석 결과 측정소 주변 산림지역 비율이 높은 지역은 미세먼지 농도가 낮고, 시가화지역 비율이 높은 지역은 미세먼지 농도가 높아 미세먼지의 배출과 저감에 기여하는 토지피복 유형의 비율에 따른 미세먼지 농도 차이를 확인하였다. PM10과 PM2.5 모두 산림 우세 그룹(산림비율 평균 34.6%)의 미세먼지 농도가 가장 낮았다. 중간값 그룹(산림비율 평균 16.5%)은 시가지 우세 그룹 보다 미세먼지 농도가 낮지만 PM10은 차이가 작았고, PM2.5는 차이가 커서, PM2.5는 중간값의 산림비율에서도 농도 저감 효과가 큰 것으로 판단되었다. 계절별로는 여름철에 그룹간 농도 차이가 가장 커서 저농도 시기에 토지피복에 의한 영향이 증가하는 것으로 추정되었다. 또한 고농도 시기인 겨울철은 그룹간 농도 차이가 가장 작아 고농도 시기에 토지피복의 영향은 감소하고, 기상조건 등 다른 요인의 작용이 큰 것으로 판단되었다. 다만 1년 중 가장 농도가 높은 계절은 봄철 이었는데 겨울철 보다 그룹간 농도 편차가 컸다. 이에 대한 추후 연구가 필요하였다.

본 연구에서는 서울지역의 지상 미세먼지(PM2.5) 농도를 산출하기 위하여 경험적인 모델들을 개발하였다. 연구에 이용한 자료는 2012년 1월 1일부터 2013년 12월 31일까지이며 Terra와 Aqua위성의 MODIS센서에서 산출되는 에어로 졸 광학두께, 옹스트롬 지수, 기상변수들과 행성경계층두께와 관련된 6개의 다중 선형 회귀모델들의 차이를 분석하였다. 그 결과 에어로졸 광학두께와 옹스트롬 지수, 상대습도, 풍속, 풍향, 행성경계층두께, 기온 자료를 입력 자료로 사용한 M6모델이 가장 좋은 결과를 보였다. 통계적인 분석에 따르면 M6 모델을 사용하여 계산된 PM2.5와 관측된 PM2.5농도 사 이의 결과는 상관계수(R=0.62)와 평균제곱근오차(RMSE=10.70 μg m−3)이다. 또한 산출된 계절별 지표면 PM2.5농도는 여름철(R=0.38)과 겨울철(R=0.56)보다 봄(R=0.66)과 가을철(R=0.75)에 상대적으로 더 좋은 상관 관계를 보였다. 이러한 결과는 에어로졸 광학두께의 계절별 관측 특성으로 인한 것으로써 다른 계절에 비하여 여름과 겨울철 에어로졸 광학두께 관측이 구름과 눈/얼음 표면에 의한 관측 제한과 오차를 가져온 것으로 분석되었다. 따라서 본 연구에서 사용한 경 험적 다중선형회귀 모델은 위성에서 산출된 에어로졸 광학두께 자료가 지배적인 변수로 작용하며 PM2.5산출 결과들을 향상시키기 위해서는 추가적인 기상 변수를 이용해야 할 것이다. 또한 경험적 다중선형회귀 모델을 이용하여 PM2.5를 산출한 결과는 인공위성 자료로부터 대기환경 감시를 가능하게 하는 방법이 될 수 있어 유용할 것이다.

The objective of this study was to estimate the trends of air quality in the study area by analyzing monthly and seasonal concentration trends obtained from sampled data. To this aim, the mass concentrations of PM2.5 in the air were analyzed, as well as those of metals, ions, and total carbon within the PM2.5. The mean concentration of PM2.5 was 22.7 ㎍/㎥. The mass composition of PM2.5 was as follows: 31.1% of ionic species, 2.2% of metallic species, and 26.7% of carbonic species (EC and OC). Ionic species, especially sulfate, ammonium, and nitrate, were the most abundant in the PM2.5 and exhibited a high correlation coefficient with the mass concentration of PM2.5. Seasonal variations of PM2.5 showed a similar pattern to those of ionic and metallic species, with high concentrations during winter and spring. PM2.5 also had a high correlation with the ionic species NO3 - and NH4 +. In addition, NH4 + was highly correlated with NO3 -. Through factor analysis, we identified four controlling factors, and determined the pollution sources using the United States Environmental Protection Agency(U.S. EPA) pollution profile. The first factor, accounting for 19.1% of PM2.5 was attributed to motor vehicles and heating-related sources: the second factor indicated industry-related sources and secondary particles, and the other factors indicated soil, industry-related and marine sources. However, the pollution profile used in this study may be somewhat different from the actual situation in Korea, since it was obtained from US EPA. Therefore, to more accurately estimate the pollutants present in the air, a pollution profile for Korea should be produced.

The objective of this study was to estimate air quality trends in the study area by surveying monthly and seasonal concentration trends. To do this, the mass concentration of PM10 samples and the metals, ions, and total carbon in the PM10 were analyzed. The mean concentration of PM10 was 33.9 ㎍/㎥. The composition of PM10 was 39.2% ionic species, 5.1% metallic species, and 26.6% carbonic species (EC and OC). Ionic species, especially sulfate, ammonium, and nitrate, were the most abundant in the PM10 and had a high correlation coefficient with PM10. Seasonal variation of PM10 showed a similar pattern to those of ionic and metallic species. with high concentration during the winter and spring seasons. PM10 showed high correlation with the ionic species NO3 - and NH4 +. In addition, NH4 + was highly correlated with SO4 2- and NO3 -. We obtained four factors through factor analysis and determined the pollution sources using the United States Environmental Protection Agency(U.S. EPA) pollution profile. The first factor accounted for 51.1% of PM10 from complex sources, that is, soil, motor vehicles, and secondary particles: the second factor indicated marine sources; the third factor, industry-related sources; and the last factor, heating-related sources. However, the pollution profile used in this study may be somewhat different from the actual situation in Korea because it was from US EPA. Therefore, to more accurately estimate the pollutants present, it is necessary to create a pollution profile for Korea.

This study was conducted to investigate how PM10 concentration and Relative Humidity (RH) affected visibility in Jinju, Korea. A 9-yr dataset of 1 h averages for visibility, PM10, and RH data was analyzed to examine the correlation between these variables. On average, visibility decreased by 1.4 km for every 10 μg/㎥ increase in PM10 and by 2.1 km for every 10% increase in RH. In general, a negative correlation was observed between visibility and and PM10 concentration. However, under conditions of low PM10 concentration(< 15 μg/㎥) and visibility(< 2 km), there was a positive correlation between these two variables. In this case, RH levels were high (> 75%). A high correlation analysis between two variables need to be under control conditions with RH < 75%, PM10 15~100 μg/㎥, and visibility > 2 km.

To determine the effect of air pollution reduction policies, the long-term trend of air pollutants should be analyzed. Kolmogorov-Zurbenko (KZ) filter is a low-pass filter, produced through repeated iterations of a moving average to separate each variable into its temporal components. The moving average for a KZ(m, p) filter is calculated by a filter with window length m and p iterations. The output of the first pass subsequently becomes the input for the next pass. Adjusting the window length and the number of iterations makes it possible to control the filtering of different scales of motion. To break down the daily mean PM10 into individual time components, we assume that the original time series comprises of a long-term trend, seasonal variation, and a short-term component. The short-term component is attributable to weather and short-term fluctuations in precursor emissions, while the seasonal component is a result of changes in the solar angle. The long-term trend results from changes in overall emissions, pollutant transport, climate, policy and/or economics. The long-term trend of the daily mean PM10 decreased sharply from 59.6 ug/m3 in 2002 to 44.6 ug/m3 in 2015. This suggests that there was a long-term downward trend since 2005. The difference between the unadjusted and meteorologically adjusted long-term PM10 is small. Therefore, we can conclude that PM10 is unaffected by the meteorological variables (total insolation, daily mean temperature, daily mean relative humidity, daily mean wind speed, and daily mean local atmospheric pressure) in Busan.